互联网海量信息环境对人类决策提出的挑战及其应对方式*

**

(1.中国科学院心理研究所，行为科学重点实验室，北京 100101；2．中国科学院大学，心理学系，北京 100049；3．University of South Dakota,SD 57069,美国；4．浙江大学，心理科学研究中心，杭州 310028；5．浙江大学，心理与行为科学系，杭州 310028)



应用心理学

互联网海量信息环境对人类决策提出的挑战及其应对方式*

黄元娜1,2魏子晗1,2沈丝楚1,2王晓田3**葛列众4**何贵兵5**李纾1,2**

(1.中国科学院心理研究所，行为科学重点实验室，北京 100101；2．中国科学院大学，心理学系，北京 100049；3．University of South Dakota,SD 57069,美国；4．浙江大学，心理科学研究中心，杭州 310028；5．浙江大学，心理与行为科学系，杭州 310028)

如今互联网推动人类进入信息爆炸时代，有限大脑容量与激增信息量间的巨大反差对人类决策提出了前所未有的挑战，但已有知识系统却找不出应对它的现成答案。围绕“互联网海量信息环境对人类决策的挑战”和“互联网海量信息环境下人类决策的应对方式”两个关键科学问题，我们借鉴动物选择“无序个体单独行动”和“有序集体统一行动”的转换机制，提出互联网海量信息环境下的内外脑应对方式，冀增进人们对互联网环境下决策行为的理解。

互联网海量信息 仿生应对方式 内脑决策 外脑决策 眼动追踪

Thanks to science and technology,access to actual knowledge of all kinds is rising exponentially while dropping in unit cost....We are drowning in information,while starving for wisdom.

——E.O.Wilson,Consilience

1 引 言

21世纪是互联网的世纪，互联网在全世界40%的人口的日常生活中扮演着不可或缺的角色(Gosling & Mason,2015)。中国已进入一个高速发展的互联网时代，互联网基础设施和用户数均居世界前列。最新的《中国互联网络发展状况统计报告》(中国互联网络信息中心,2017年1月)显示，截至2016年12月，中国网民规模达7.31亿，相当于欧洲人口总量，互联网普及率达到53.2%，移动终端用户则超过10.6亿。

与互联网飞速发展相伴而生的是海量信息。互联网信息呈现数量多、种类多、增速快的特点(聂天奇，2015；王玉君，2013)，它推动人类进入海量信息时代，从而也催生了信息过载问题。信息过载(information overload)指的是个体获得的信息量超过了期限时间内个体所能处理信息的能力(Huff & Johnson,2014;Schultz & Vandenbosch,1998)。目前，人类文明社会的信息过载已经严重到了足以影响每个人日常生活的程度。据调查，一名美国人每天从电子邮件、互联网、电视和其他媒体获取大约10.05万个单词的信息量，相当于大脑平均每天接收约34G信息(每秒接触23个单词)(Bohn & Short,2012)。其后果是，电脑使用者平均需要同时打开8个窗口，而办公人员大约每3分钟就会被打断或干扰一次(Klingberg,2009)。

但是，需要处理这些海量信息的人类大脑，在漫长的进化过程中却保持着容量相对稳定不变。约20万年前，智人的平均脑容量从大约600立方厘米进化到了1200～1400立方厘米(Harari,2014)，随后现代人的脑容量则不再增长。受大脑的容量限制，人类获取和处理信息的精力和能力是有限的(Simon,1991,2013)，因而在认知水平上产生了决策和推理的双系统。诺贝尔经济学奖得主Kahneman等学者提出，个体的决策和推理主要有两种模式：系统1“启发式系统”和系统2“分析式系统”(Kahneman,2011;Stanovich & West,2000;孙彦,李纾,殷晓莉,2007)。启发式系统更多地依赖于直觉，采用并行加工模式且加工速度较快，不占用或占用很少的心理资源，反应自动化。分析式系统主要进行更详细的信息加工，它更多地依赖于理性，需要较多的心理资源(Kahneman & Frederick,2002;Sloman,1996)。该系统主要基于规则进行，采用串行加工模式且加工速度慢(孙彦,李纾,殷晓莉,2007)。日常生活中的大部分决策主要由启发式系统所监控(Kahneman,2003)，但在复杂情境中，个体没有足够的能力来记忆和加工大量的信息(Kleinmuntz,1990;Todd & Benbasat,1992)，因而启发式系统易受偏差效应的影响，易忽略重要的决策因素(Hammond,1996)。

人类进入互联网时代后，海量激增的信息量与有限不变的大脑容量间的巨大反差，对人类的决策与推理构成了前所未有的挑战。人类现有的认知系统是在长年累月的进化中形成的，是相对稳定不变的、容量有限的(Simon,1991,2013)。而互联网环境的信息增长是爆炸式的、海量的、抑或是无限的。这种“有限与无限”的不对称对人类生存构成了前所未有的挑战。我们越来越深地陷入海量信息，但却难以处理它们。

在海量信息环境下，假借两个认知系统中的任何一个进行决策，都将面临各种难以克服的严峻挑战。如果采用分析式系统，凭借有限的脑容量，决策者无法考虑全部可能的备择方案和选择，也无法评价全部知识，因而就更难以准确地预见各种方案所可能产生的所有后果。如果采用启发式系统，决策者可用的各种启发式策略(如模仿启发式、代表性启发式、易得性启发式、锚定和调整启发式等，参见Gigerenzer & Selten,2002)亦会随着信息来源的增加而增加(Payne et al.,1993;Svenson,1979)，其策略选择会变得更多、更随机，人们的决策也就更易受到偏差效应的影响，从而使决策稳定性更差。

互联网海量信息环境下人类决策者普遍面临的“无限信息”和“有限认知”的矛盾窘境，使得“人类如何在海量信息环境下做出高质量决策”成为摆在科学家面前的一个全新课题。它关乎我们每一个人，但在我们已有知识系统中却找不到现成答案。

因此，本文拟围绕“互联网海量信息环境对人类决策的挑战”以及“互联网海量信息环境下人类决策的应对方式”这两个问题，基于行为决策和认知科学有关理论和方法基础，试提出海量信息环境下的仿生决策新理论，发展基于眼动追踪的实时赋权方法。

2 信息量增加对决策的影响研究

互联网环境下，无限的选择自由也意味着更容易陷入迷茫(Schwartz,2004)。当信息通信技术以日新月异的速度发展并为我们提供信息时，我们大脑的能力极限也越来越明显。由此可知，限制我们的已经不再是技术，而是我们自身的生物学特性。

电影《拆弹部队》中，当一位拆弹专家从伊拉克战场回到美国时，第一反应是被超市里琳琅满目的黄油牌子吓到。他的恐惧源于面对五花八门的品牌，他无法确定怎么选才好。小至黄油，大至生活的方方面面，他无法承担这种突如其来的自由，最终又回到了伊拉克。许多研究报告了关于选择过载(choice overload)的现象，信息量增加造成的选择过载会导致个体延迟决策、选择满意度降低、决策质量下降等(Iyengar & Lepper,2000;Schwartz,2004)。当选项数量增加时，选择满意度最初会提高，但到达某一临界值时则开始降低(成凹函数形状)。或许这种选择过载效应不仅取决于所提供的选项集中的选项数量，也取决于选项集中的选项种类(Szrek,2017)。然而，目前鲜有研究真正对海量信息下的决策机制进行研究，多数研究只是探索了信息量增加对决策的影响。信息量增加对决策的影响研究主要体现在决策质量、效率、体验、策略等方面。

2.1 信息量增加对选择策略的影响

信息量增加，决策策略改变。选项或特征的增多增加了选项集的复杂度，从而导致不同的决策策略(Payne et al.,1993)。50个选项和只有2个选项的选择过程是不同的，其决策策略也不同。有研究表明，选项数量越多,决策者的信息搜索深度越低,也越倾向于采用非补偿性的决策策略，非补偿性策略涉及使用简化规则来降低决策问题的复杂性(于泳红，汪航，2005)。研究者认为，将众多选项缩减到可管理的范围内时，启发式的简化策略尤其有效(Payne et al.,1993;Svenson,1979)。值得注意的是，现实生活中的大部分选项具备大量的不同特征，而以往研究中呈现的选项特征数量通常极为有限。随着选项特征数量的增加，有必要通过特征权重的排序来评估特征的重要性，以此对相关特征集进行压缩(narrow)，从而用这种方法来进行信息搜索或分配注意力。这种先筛选再挑选的两阶段加工方法是将最初对选项的精减与随后对剩余选项的详细评价相结合。

信息量增加，容易出现选择规避。有研究者(Hayes,Kapust,Leonard,& Rosenfarb,1981)用动物(鸽子)实验考察了选项数量与选择偏好的关系，结果表明有时候拥有“少”的选项会比拥有更多选择自由更有价值。Iyengar和Lepper(2000)在超市货架上分别摆放6种和24种果酱，以此来观察顾客的消费行为。结果发现，在包含6种果酱货架的条件下，30%的顾客产生实际购买行为，而包含24种果酱货架的条件下，仅有不到3%的顾客产生了实际购买行为。该研究为“少即是多”(less is more)提供了证据，说明信息量增加会影响决策选择，容易产生选择规避(Kinjo & Ebina,2015)。Huff和Johnson(2014)的实验结果也发现，随着链接数量的增多，人们对邮件或网站的点击可能性在最初是增加的，但随着链接数量持续增加，点击数量却反而减少了，这也说明选项过载(choice overload)会促使人们表现出选择规避行为。

2.2 信息量增加对决策质量的影响

为探索选项数量与决策质量之间的关系，有研究(Barbara & McClelland,1999)通过操纵信息板(information display board，IDB)矩阵中备择项、特征数量、时间限制等因素，考察消费者在网络环境中的信息检索能力。结果发现，备择项越多，检索的信息量越少，信息检索也更困难。虽然检索模式更多样了，但决策的正确率却降低。Schroder，Diver和Streufert(1967)的研究表明，虽然丰富信息有助于个体做出更准确的决策，但过量信息则会导致决策质量降低(图1)，表现出“少即是多”的倾向。

图1 信息负荷与决策质量的倒U曲线关系

2.3 信息量增加对决策效率的影响

信息量增加，决策效率降低。Jacoby,Speller和Berning(1974)的研究发现，消费者在进行大米与速冻食品决策时，其决策时间会随着备选品牌数量的增加和每个备选品牌信息量(特征数)的增加而呈线性增长，但其决策准确性却并没有随之提高，反而有所降低，导致了决策效率的明显下降。Bawden和Robinson(2009)的研究也发现，信息过载不仅会影响组织中员工的工作效率，也会降低决策者的决策效率。目前关于信息量增加对决策的影响研究提示我们，在面临互联网海量信息环境下，决策者的决策质量、效率和策略都有可能发生改变。

3 应对信息量增加的反应方式探索

截至目前，虽有少量研究考察了信息量增加对决策的影响，但鲜有研究深入探讨人类决策者对海量信息的应对方式及其有效性。在面临信息爆炸时，人类现有的认知系统是如何应对互联网海量信息环境的？人类现有的认知系统在互联网海量信息环境中又是如何工作的？这些问题的答案，我们尚未知晓。或许，“低级生物的小脑容量与丰富的环境信息量”所形成的反差与“人类不变的大脑容量与互联网海量信息量”所形成的反差是相当的、具有可比性的。

因此，当我们将目光投向低级生物时，一些动物(如鱼类、鸟类、昆虫)面对环境变化时选择“无序个体单独行动”和“有序集体统一行动”的转换机制(ecological patterns)，会给我们些许启迪和借鉴。

图2 鱼群的“无序个体单独行动”

由此，我们提出以下设想。类比生物界选择“无序个体单独行动”，在应对超出自身处理能力的海量信息时，作为一种自然生物，人获取和处理信息的精力和能力总是有限的(Simon,1991,2013)。在认知资源有限的情况下，要硬着头皮应对这个挑战，用自己的大脑将海量信息进行精简消冗或是选择一种适应性的“个体单独行动”的策略。我们姑且将这类单打独斗的策略归类为“使用‘内脑’的应对方式”。

同理，类比生物界“有序集体统一行动”的选择，在应对超出自身处理能力的海量信息时，人作为一种自然生物，在没有精力和能力应对这个挑战的情况下，像鱼类、鸟类、昆虫那样选择“集体统一行动”也不失为一种生存之道。例如，当每平方米的蝗虫密度超过50只，蝗虫就会有统一的意志和统一的行动(Buhl et al,2006)。我们姑且将这类搬请援兵的策略归类为“借助‘外脑’的应对方式”。“姑且”的意思是：人们目前对触发和促使动物选择统一行动的机制知之甚少，因为鱼类、鸟类、昆虫没有语言，也没有统一的思维，更没有一个超级“大脑/内脑”在统一指挥。而互联网则为人类像鱼群或蝗群那样步调一致地采用“有序集体统一行动”提供了技术可能性。

图3 鱼群的“有序集体统一行动”

3.1 “内脑”的应对方式

3.1.1 多学科的科学家们为精简冗余信息做出的尝试

收集和使用有价值的信息对人类适应环境和生存至关重要(Hills,Todd,Lazer,Redish,& Couzin,2015;Pirolli,2007;Pirolli & Card,1999)。Miller(1983)认为人类就是信息捕食者(informavore)。信息觅食理论(information foraging theory)用动物觅食类比人类获取有价值信息的过程(Pirolli,2007;Pirolli & Card,1999；Wang,2002)。具体而言，想象鸟儿在丛林中找果子，随着在同一片丛林中觅食时间的增加，果子越来越难找，剩下的果子也越来越小，直到鸟儿在单位时间内找到的果子所提供的能量不足以支持它的消耗，鸟儿只能去寻找新的丛林。人类在网上搜索信息，就像鸟儿在丛林中找果子，随着在同一个网页中搜索时间的增加，获得有价值信息的效率越来越低。著名的边际价值定律(the marginal value theorem)(Charnov，1976)指出，食物或信息获取的价值随时间增长而边际递减。如图4所示，在同一地点的资源获取开始时效率最高，之后随着资源的消耗而呈现递减趋势。因此，最佳终止时间应该在资源积累曲线达到其正切点的时候。在某一网页处信息资源的消耗也与此相似。另外，由于时间就是金钱，在一处搜索信息的时间越长，机会损失就越大。

生存压力促使人类提高信息获取效率(Pirolli,2007)。面对互联网海量信息，人类不可能无休止地搜索下去，如何将有限的认知资源进行高效分配，以提高信息获取效率，是进化对人类提出的考验，也是目前急需解决的问题(Pirolli,2007)。信息量增大本是对人类生存有利的条件，但是在当前的海量信息环境下，过滤掉大部分冗余信息亦是进化适应性的必然选择。

诺贝尔经济学奖得主、认知心理学家赫伯特·西蒙(Herbert Simon)在上世纪60年代的几次演讲中谈到信息社会对人类认知能力的挑战。他通过一个有关兔子的比喻，形象地阐述了信息时代供需关系的改变。假设有人把兔子引进到自家的庄园，但是对于兔子迅速地大量繁殖始料未及。由于兔子数量的大增，造成了需求的变化，使得兔子专用的饲料(比如青菜)严重不足。与此相似，在信息时代由于信息供应的爆炸式增长(兔子)，使得处理信息专用的认知资源(比如注意力)成为短缺商品(饲料)。更严重的是这种人类认知上的短缺几乎是固化的，难以通过扩大产能来获得缓解。

正是因为我们人类的认知资源是相对有限和固定不变的，为应对信息负荷对认知功能的挑战，需要将海量信息进行精简。在认知资源稀缺的情况下，精简冗余信息成为人类适应性决策的一个重要手段。为此，西蒙提出了两个基本的应对步骤：第一，发现冗余性；第二，建立一套消冗程序。考虑到人的认知资源的局限性，西蒙提出了“有限理性(bounded rationality)”的应对机制；认为在现实的决策中，人们不可能获得所有的相关信息并对此进行复杂的加权整合，因而需要依据自身的认知特性并利用任务环境的规律做出有效的判断和决策。

为了应对信息爆炸和人类认知资源有限的挑战，各个学科已经在精简冗余信息(消冗)方面做出了卓有成效的尝试。纵观各学科科学家为应对挑战所做出的努力，其采用的消冗方法主要是借助自评、数学法则等来获取权重系数，以实现取舍信息的目标。权重在精简冗余信息过程中扮演着不可或缺的角色，如何给选项和特征赋予权重也就成了精简冗余信息的关键。目前，赋予权重的方法主要包括主观赋权法和客观赋权法(Wang & Lee,2009)。

主观赋权法是指人们对评估对象的各个因素，按其重要程度，依据经验主观赋予权重。主观赋权法主要包括自由诱发法(free-elicitation method)(Van Ittersum,Pennings,Wansink,& Van Trijp,2007)、直接评定法(direct-rating method)(Quaschning,Pandelaere,& Vermeir,2014)、直接排序法(direct-ranking method)、点分配法(point allocation method)(Suk,& Yoon,2012)、层次分析法(analytical hierarchy process)(Wei,Qin,Yan,Hou,& Yuan,2016)、信息板法(Ford,Schmitt,Schechtman,Hults,& Doherty,1989)、多特征态度法(multi-attribute attitude method)(Wilkie & Pessemier,1973)和兑易法(trade-off method)等。该类方法反映的是决策者的主观判断或直觉，所以，基于权重的分析结果或选项排序易受决策者的知识或经验的限制，通过打分直接给出各指标权重难以保持权重的合理性。而其最重要的缺陷是：主观权重通常不是由决策者在决策之时直接赋予的，而是在事前或事后通过调查和分析得出的。

客观赋权法是指经过对实际发生的资料进行整理、计算和分析得出权重(Kambhatla & Leen,1997)。客观赋权法包括熵值法(entropy method)(Zavadskas,& Podvezko,2016)、主成分分析法(principal components analysis)、因素分析法(factor analysis)、投影追踪法(projection pursuit)、主曲线法(principal curves)、自组织映射法(self-organizing maps)、局部线性技术(local linear approach)、神经网络实现法(neural network implementations)等等(Carreira-Perpinn,1997;Choo & Wedley,1985)。这些客观赋权法的主要局限在于：过分依赖客观数据，需要足够的样本数据，通用性差，计算方法也比较复杂，忽略了决策者在决策需求、决策经验和主观感受上的个体差异，不能体现评判者对不同特征指标的重视程度，从而导致赋予的权重会与特征的实际重要程度相差较大。

综合主客观赋权法的研究进展可以看出，虽然多学科科学家们做出了诸多尝试，但目前各学科已有的赋权数方法都存在不同程度的不足和缺陷。主观赋权法反映了决策者的主观判断或直觉，但基于权重的分析结果或选项排序易受决策者的知识或经验的限制，且效度问题一直为学界所诟病。客观赋权方法通常使用数学模型来获得决策权重，但却会忽略决策者对信息的主观判断。总之，精简冗余信息、有用信息取舍都是借助权重而实现的。但目前所有方法(主观客观)均不能保证所导/算出的权重即是决策者在决策之时真正采用的权重。因此，准确估算决策者在决策之时真正采用的权重成了降减海量信息量时绕不过去的拦路石。

3.1.2 富有前景的眼动赋权法

Ma，Fan和Huang(1999)提出，使用主客观相结合的方法赋予权重或是富有前景的一种方法。它既考虑了人们主观上对各项指标的重视程度，又考虑了各项指标原始数据之间的相互联系及其影响，将会增强总体评价结果的合理性和科学性。而眼动赋予权重的方法既考虑了人们主观上对各项指标的重视程度，又能实时反映各项指标客观数据之间的相互联系及其影响(汪祚军,李纾，2012;Sun,Rao,Zhou,& Li,2014)，或能成为富有前景的眼动赋权法。

眼动赋权法：眼动追踪数据能够区别对待构成选项的局部特征(维度/属性)。决策者对能影响最终选择的局部特征往往注视更多，这便可作为推论各局部特征所占权重大小的依据。已有证据表明，对于能影响最终选择的局部特征，决策者会给予更多的注视次数，注视时间更长，并且有更多的回视。这一结果非常稳健，且已被众多研究所证实(Glöckner & Herbold,2011;Kim et al.,2012;MeiBner & Decker,2010;Reisen,Hoffrage,& Mast,2008;Su,Rao,Li,Wang,& Li,2012;Su et al.,2013;魏子晗,李兴珊,2015;Zhou et al.,2016)。例如：在风险选择中，被试会给予比平均期望更高的金钱值以更多的注视(Fiedler & Glöckner,2012)。Kuo，Hsu和Day(2009)利用眼动追踪技术对框架效应所进行的研究发现，决策者对损失信息的注视更多，这与决策者对损失赋予比等量收益更大权重的结论是一致的。在多属性决策研究中，注视的多少能够直接、实时地反映对特征的加工权重。例如：Orquin和Loose(2013)报告，在选择酸奶时，人们最看重的是口味这一特征，并对口味这一特征的注视次数更多，注视时间也更长。在多属性决策中，决策者会对共享特征(shared feature)赋予的权重较低，几乎为0，而对独有特征赋予较高的权重。而眼动的研究也表明，决策者在进行多属性决策时对共同特征的注视很少，而对独特特征的注视次数更多，时间更长(Sütterlin,Brunner,& Opwis,2008;Su,Rao,Li,Wang,& Li,2012)。

值得注意的是，眼动反映的权重是实时的，可以反映不同决策情境、不同选项、不同参数下的权重变化情况，这是其他权重测量法所无法做到的。例如：当同种特征有不同取值时，决策者在决策时可能会给予不同的权重。如果选项某特征上的取值比较极端，即该特征非常吸引人或者非常让人厌恶时，会让决策者对该特征赋予较高的决策权重，而当该特征上的取值较为平庸时，会相对降低对该特征的权重。而眼动恰恰能够反映出随着特征取值变化而变化的权重，Sütterlin，Brunner和Opwis(2008)就发现，当选项特征从非常不吸引人到非常吸引人变化时，被试对特征的注视次数和注视时长的变化呈现一个倒U形曲线。这也说明眼动测量方法具有较为广泛的差异敏感性(刘志方，苏衡，2016)。类似的结果在其他决策任务中也有过报告(Loose & Orquin,2012；MeiBner et al.,2012)。

综上可知：注视(次数、时长、停留时间等指标)越多，构成选项的局部特征的权重越大。据此，我们便可依据眼动追踪数据，推测、判断决策者如何在实际决策情景中对选项或者特征进行加权，并进一步推测、判断决策者如何依据权重的大小对海量信息做消冗或取舍处理。基于对国内外研究现状的分析，我们认为：在所有借助权重“对海量信息做消冗或取舍处理”的尝试中，眼动赋权法可能是目前最接近真实的测量。如果能在眼动赋权法上有所突破，不仅能为现代测量理论解决这学科的老大难问题，而且能为海量信息的消冗提供可靠的依据或标准。

如上所述，我们若使用“内脑”方式应对互联网海量信息环境对人类认知系统和人类决策提出的挑战，其关键就在于能否有效精简冗余信息。能够找出并理解人类如何利用“生态理性”消冗的途径和办法，就能着手处理“信息垃圾”，将“信息爆炸对人类现有的认知系统及决策提出的挑战”化解于无形。

3.2 外脑的应对方式

若如英国神经生物学教授科林·布莱克莫尔曾在英国《星期日泰晤士报》所言，“大脑有生长能力”，互联网海量信息可能会刺激新的神经细胞生成，从而在大脑中生成新的神经连接，我们人类则可能会朝着“万物之灵”或“超人”的方向进化——将自己的内脑演变成超强大脑。这就是以上我们所讨论的凭借“内脑”的应对方式应对互联网海量信息。

抑或，面对互联网海量信息，我们人类会朝着“鱼群”或“蝗群”的方向进化——每一个体的决策既受其他个体(外脑)的左右，又同时左右其他个体，但并不存在一个超强大脑指挥着整个社会的协同行动(见图5)。

图5 人类的有序协同合作隐喻图

外脑的应对方式指的是借助社会参照、专家意见、计算机建议、媒体导向等手段处理海量信息。

图6 人类平添了另一个大脑

社会参照。参照点指个体在对决策方案进行判断和评价时所隐含的一定的评价参照标准，它通常是个体的习惯状态，或为社会规范、习俗，或为个体期望或抱负水平(何贵兵，于永菊，2006)。社会参照是指参考他人的选择偏好进行自己的决策加工，或与他人一致，或与他人适度区分。在互联网海量信息环境下，当个体无法依靠人脑决策时，社会参照(他人/群体等)便成为一种行之有效的决策策略。而社会参照效应的大小亦受到诸多因素的影响，如，杨红升和黄希庭(2007,2009)认为个体对内群体的认同是产生群体参照效应的必要因素。徐科朋(2014)的研究表明，在个体内部，社会身份重要程度越高，社会认同度越高，相应的群体参照效应越大。此外，也有研究表明，社会参照可以有多种形式。例如，英国剑桥大学心理测验学中心的米哈尔·科辛斯基(Michal Kosinski)和他的两位同事在《美国国家科学院院刊》上发表的研究论文证实，人们的许多个人特征——诸如政治倾向、宗教信仰、性别、种族和性倾向——都可以通过他在Facebook上的“赞”(like)记录进行预测，而Facebook等社交工具上的行为亦能够成为一种典型的社会参照。

专家意见。建议的提出和采纳是一项基本的决策活动。我们常向他人征求建议，也常向他人提出建议，以使最终的决策更为准确或有效(李跃然,李纾,2009)。1995年，Sniezek和Buckley(1995)提出了决策者-建议者系统(judge-advisor system，简称JAS)的概念，JAS模型中的成员包括一个决策者(judge)和一个或多个建议者(advisor)。建议者的任务是根据决策任务的信息，向决策者提出建议。决策者综合考虑各种建议以及自己的观点，做出最终的决策。决策者往往依赖建议者的信息、观点，以便做出更为准确的决策；建议者反过来也从决策的准确性中获得收益(如金钱)或损失(如声誉或工作保障)。在对决策者信息获取过程的研究中，Schrah,Dalal和Sniezek(2006)发现，随着任务复杂程度的增加，决策者趋于更加认同建议。专家是对某一事物精通，或者说有独到的见解的人，互联网海量信息环境增加了人类决策的复杂度，可能会使决策者更倾向于依赖专家意见进行决策。

计算机建议。随着互联网技术的快速发展，人类的决策系统难以应对海量信息。计算机产生的海量信息造成了人类的决策选择困境，但同时计算机又拥有巨大信息存储和运算能力，这使得借助计算机这个“外脑”成为人类决策所必不可少的一步，各领域的计算机辅助决策系统也应运而生。有研究(余贻鑫,王成山,2000)表明，计算机辅助决策系统的应用能够显著提高规划的科学性和精确性，大大降低规划工程师的劳动强度。

媒体导向。随着互联网的飞速发展，在传统媒体(traditional media)基础上我们迎来了自媒体(we-media)时代。这个时代中，人人都有发声的麦克风，从而大大降低了信息传播的门槛。不管什么媒体，最终都扮演了信息提供者的角色。而新媒体兴起以来，信息越来越碎片化，人们获取信息反而更难。在人类日常决策过程中，决策者也更易受媒体的报道倾向的影响。

综上，人类获取和处理信息的精力和能力总是有限的(Simon,1991,2013)。面对互联网海量信息，在认知资源有限的情况下，除了硬着头皮采用单打独斗策略，借助“内脑”应对方式应对这个挑战外，还可以采用搬请援兵，借助“外脑”的应对方式。而外脑的应对方式主要包括社会参照、专家意见等。而在互联网环境下，人们正越来越多地依赖社会参照或计算机建议等外部辅助手段并借助互联网技术来帮助自己处理海量信息。至于何时采用“内脑”应对方式，何时采用“外脑”应对方式，应是一个权变和自适应过程，或取决于决策任务特征(如时间压力、任务复杂性等)、个体特征(如信息贫富、认知风格等)和决策学习等因素。

4 总结与展望

综上，互联网海量信息环境对人类决策系统提出了诸多挑战，但鲜有研究深入探讨人类决策者对海量信息的应对方式及其有效性。本文类比生物界“无序个体单独行动”和“有序集体统一行动”的转换机制(ecological patterns)，首次提出内外脑的应对方式，具有重要的理论和实际借鉴意义：(1)理论上，从仿生学视角提出“仿生决策应对方式”来解释人类应对互联网海量信息环境时“内脑-外脑”的协同关系；(2)实际应用上，根据“仿生决策应对方式”原理，提出互联网海量信息环境下的决策增强技术，以改进决策质量、效率和体验。虽然大量研究已经探索了信息量增加环境下对人类行为决策的影响，多学科科学家在精简冗余信息方面也做出了卓有成效的尝试，然而却鲜有研究真正以人们所处的互联网海量信息环境为大背景探索人类的决策行为，也未探索出一种真正“以人为本、实时赋权”的处理冗余信息的方法。在此基础上，我们认为未来研究可从以下几个方面着手。

首先，在研究内容方面：厘清信息过载界限，并着力探究“两个大脑、三个系统”的适应性决策。许多研究(Huff & Johnson,2014;Szrek,2017)报告了关于选择过载(choice overload)的现象。然而，并非所有研究都发现了该效应的存在。目前众多研究者开始呼吁研究这种效应的牢固性和普遍性，并由此确定选择过多与选择过载的界限条件(Chernev,Bockenholt& Goodman,2015;Scheibehenne,Greifeneder& Todd,2010)。未来的研究应厘清信息过载的界限问题，以免造成概念的混淆。

在非海量(原来)信息环境下，人类凭借一个大脑(人脑)和两个系统(启发式与分析式的双系统)进行决策；而在海量(现在)信息环境下，人类平添了一个“大脑”(电脑)和“一个系统”(网络系统)，变为两个大脑(人脑+电脑)、三个系统(启发式系统+分析式系统+网络系统)。人类已经开始被智能电子设备(电脑、智能手机等)附体了。我们原有的大脑是否会随之萎缩，其功能是否会随之退化，目前还不得而知。但较肯定的是，在两个大脑的掌控下，研究人类决策会变得更加困难、更富有挑战性(李纾,2017)。未来的决策研究可以以此为切入点，探究人类与互联网环境交互作用下的决策行为。

其次，在研究方法方面：探索有效的实验方法，发挥眼动追踪技术的实时赋权优势和虚拟现实法的高生态效度的技术优势。未来研究可考虑使用不同的方法来探究赋予决策权重、精简冗余信息。除了目前赋予权重的两种主要方法——主观赋权法和客观赋权法(Wang & Lee,2009)，眼动赋权法较好地结合了主客观赋权法的优势，并且能够实时赋予权重，具有较好的发展前景。此外，为更逼真地营造互联网海量信息的实验室环境，未来研究可以考虑借鉴虚拟现实技术(virtual reality technique)来模拟实际购物等任务，以提高生态效度。虚拟现实技术是结合计算机、人工智能等复杂的技术，可模拟出人类在生活环境中的感官认知，让人处在一种虚拟的世界里进行探索，该方法对互联网海量信息环境下的研究具有广阔的前景。

最后，实际应用方面：重视和发挥决策研究的实际应用价值。研究互联网海量信息环境下的行为决策同样具有重要的现实意义。例如，对于市场经理而言，需要确定在产品线上提供多少选项、异质性程度如何；对于零售商而言，需要确定在货架上展示多少商品，商品是否覆盖多种不同的属性；对于公共政策制定者而言，需要确定向市民提供的健康计划等政策的选项数量和种类(Szrek,2017)。为了厘清选项数量与种类对互联网海量信息环境下商家营销和消费者购物体验之间的关系，未来的研究应该在现实需求的基础上探究海量信息与现实需求的影响作用，并发展基于互联网海量信息环境的决策增强技术。

何贵兵,于永菊.(2006).决策过程中参照点效应研究述评.心理科学进展,14(3),408-412.

江程铭,张智君,任衍具.(2004).文本结构和个体认知风格对网上信息搜索绩效的影响.人类工效学,10(1),4-6.

刘志方,苏衡.(2016).航空环境中情境意识的个体差异和任务难度差异检测:眼动测量技术的优势.应用心理学,22(1),12-25.

李纾.(2017).未来心理学的前景：当人类平添了另一个大脑.管理视野,1,90-93.

李跃然,李纾.(2009).决策者-建议者系统模型的回顾与前瞻.新华文摘,23,139-142.

聂天奇.(2015).大数据时代信息资源的利用.科技情报开发与经济,28(18),119-121.

孙彦,李纾,殷晓莉.(2007).决策与推理的双系统——启发式系统和分析系统.心理科学进展,15(5),721-726.

汪祚军,李纾.(2012).对整合模型和占优启发式模型的检验：基于信息加工过程的眼动研究证据.心理学报,44(2),179-198.

王玉君.(2013).大数据时代信息资源利用研究.科技情报开发与经济,(22),124-126.

魏子晗,李兴珊.(2015).决策过程的追踪:基于眼动的证据.心理科学进展,23(12),2029-2041.

徐科朋,周爱保,夏瑞雪,王大顺,李世峰,任德云.(2014).社会身份重要性和社会认同对群体参照效应的影响.心理科学,37(6),1438-1443.

杨红升,黄希庭.(2007).中国人的群体参照记忆效应.心理学报,39(2),235-241.

杨红升,黄希庭.(2009).群体参照记忆效应的跨文化比较研究.心理科学,32(6),1287-1290.

于泳红,汪航.(2005).选项数量和属性重要性对决策中信息加工的影响.应用心理学,11(3),222-226.

余贻鑫,王成山.(2000).城网规划计算机辅助决策系统.电力系统自动化,24(15),59-62.

Anderson,N.H.(1981).Foundationsofinformationintegration.New York:Academic Press.

Barbara,F.,& McClelland,G.(1999).Tracing decision processes on the web.Paper presented at the Poster Presented at the November 1999 SJDM Annual Meeting,Los Angeles,CA.

Bawden,D.,& Robinson,L.(2009).The dark side of information:Overload,anxiety and other paradoxes and pathologies.JournalofInformationScience,35(2),180-191.

Bohn,R.,& Short,J.E.(2012).Measuring Consumer Information.InternationalJournalofCommunication,6(21),980-1000.

Buhl,J.,Sumpter,D.J.T.,Couzin,I.D.,Hale,J.J.,Despland,E.,Miller,E.R.,& Simpson,S.J.(2006).From disorder to order in marching locusts.Science,312(5778),1402-1406.

Charnov,E.L.(1976).Optimal foraging,the marginal value theorem.TheoreticalPopulationBiology,9(2),129-136.

Chernev,A.,Bockenholt,U.,& Goodman,J.(2015).Choice overload:A conceptual review and meta-analysis.JournalofConsumerPsychology,25(2),333-358.

Choo,E.U.,& Wedley,W.C.(1985).Optimal criterion weights in repetitive multicriteria decision-making.JournaloftheOperationalResearchSociety,36(11),983-992.

Fiedler,S.,& Glöckner,A.(2012).The dynamics of decision making in risky choice:An eye-tracking analysis.FrontiersinPsychology,3,1-18.

Ford,J.K.,Schmitt,N.,Schechtman,S.L.,Hults,B.M.,& Doherty,M.L.(1989).Process tracing methods:Contributions,problems,and neglected research questions.OrganizationalBehaviorandHumanDecisionProcesses,43(1),75-117.

Gigerenzer,G.,& Selten,R.(2002).Bounded rationality:The adaptive toolbox.Cambridge,MA:MIT Press.

Glöckner,A.,& Herbold,A.K.(2011).An eye-tracking study on information processing in risky decisions:Evidence for compensatory strategies based on automatic processes.JournalofBehavioralDecisionMaking,24(1),71-98.

Gosling,D.S.,& Mason,W.(2015).Internet research in psychology.AnnualReviewofPsychology,66,877-902.

Hammond,K.R.(1996).Humanjudgmentandsocialpolicy:Irreducibleuncertainty,inevitableerror,unavoidableinjustice.New York:Oxford University Press.

Harari,Y.N.(2014).Sapiens:Abriefhistoryofhumankind.Random House.

Hayes,S.C.,Kapust,J.,Leonard,S.R.,& Rosenfarb,I.(1981).Escape from freedom:Choosing not to choose in pigeons.JournaloftheExperimentalAnalysisofBehavior,36(1),1-7.

Hills,T.T.,Todd,P.M.,Lazer,D.,Redish,A.D.,&Couzin,I.D.(2015).Exploration versus exploitation in space,mind,and society.TrendsinCognitiveSciences,19(1),46-54.

Huber,J.,Payne,J.W.,& Puto,C.(1982).Adding asymmetrically dominated alternatives:Violations of regularity and the similarity hypothesis.JournalofConsumerResearch,9(1),90-98.

Huff,S.C.,& Johnson,A.C.(2014).Clicking through overload:When choice overload can actually increase choice.JournalofDirect,DataandDigitalMarketingPractice,16(1),24-35.

Iyengar,S.S.,& Lepper,M.R.(2000).When choice is demotivating:Can one desire too much of a good thing?JournalofPersonalityandSocialPsychology,79(6),995-1006.

Jacoby,J.,Speller,D.E.,& Berning,C.K.(1974).Brand choice behavior as a function of information load:Replication and extension.JournalofConsumerResearch,1(1),33-42.

Kahneman,D.(2003).Maps of bounded rationality:Psychology for behavioral economic.TheAmericanEconomicReview,93(5),1449-1475.

Kahneman,D.(2011).Thinking,fast and slow:Macmillan.

Kahneman,D.,& Frederick,S.(2002).Representativeness revisited:Attribute substitution in intuitive judgment.In T.Gilovich,D.Griffin,& D.Kahneman (Eds.),Heuristicsandbiases(pp.49-81).New York:Cambridge University Press.

Kahneman,D.,Fredrickson,B.L.,Schreiber,C.A.,&Redelmeier,D.A.(1993).When more pain is preferred to less:Adding a better end.PsychologicalScience,4(6),401-405.

Kambhatla,N.,& Leen,T.K.(1997).Dimension reduction by local principal component analysis.NeuralComputation,9(7),1493-1516.

Kim,B.E.,Seligman,D.,& Kable,J.W.(2012).Preference reversals in decision making under risk are accompanied by changes in attention to different attributes.FrontiersinNeuroscience,6, 1-10.

Kinjo,K.,& Ebina,T.(2015).Paradox of choice and consumer nonpurchase behavior.AI&SOCIETY,30(2),291-297.

Kleinmuntz,D.N.(1990).Decomposition and the control of error indecision analytic models.In R.M.Hogarth (Ed.),Insightsindecisionmaking:AtributetoHillelJ.Einhorn(pp.107-126).Chicago:Universityof Chicago Press.

Klingberg,T.(2009).Theoverflowingbrain:Informationoverloadandthelimitsofworkingknowledge.Oxford University Press.

Kuo,F.Y.,Hsu,C.W.,& Day,R.F.(2009).An exploratory study of cognitive effort involved in decision under Framing—an application of the eye-tracking technology.DecisionSupportSystems,48(1),81-91.

Loose,S.M.,& Orquin,J.L.(2012).Howstimulipresentationformataffectsvisualattentionandchoiceoutcomesinchoiceexperiments.In ANZMAC 2012.

Ma,J.,Fan,Z.P.,& Huang,L.H.(1999).A subjective and objective integrated approach to determine attribute weights.EuropeanJournalofOperationalResearch,112(2),397-404.

Meissner,M.,& Decker,R.(2010).Eye-tracking information processing in choice-based conjoint analysis.InternationalJournalofMarketResearch,52(5),593-610.

MeiBner,M.,Musalem,A.,& Huber,J.(2012).Gazecascadeeffectsinrepeatedconjointchoices.In Australian and New Zealand Marketing Academy (ANZMAC) Conference Adelaide.

Miller,G.A.(1983).Informavores.In F.Machlup & U.Mansfield (Eds),Thestudyofinformation:Interdisciplinarymessages(pp.111-113).New York:Wiley.

Orquin,J.L.,& Loose,S.M.(2013).Attention and choice:A review on eye movements in decision making.ActaPsychologica,144(1),190-206.

Payne,J.W.,Bettman,J.R.,& Johnson,E.J.(1993).The adaptive decision maker.Cambridge,England:Cambridge University Press.

Payne,J.W.(1976).Task complexity and contingent processing in decision making:An information search and protocol analysis.OrganizationalBehaviorandHumanPerformance,16(2),366-387.

Pirolli,P.(2007).Information foraging theory:Adaptive interaction with information.New York:Oxford University Press.

Pirolli,P.,& Card,S.K.(1999).Information foraging.PsychologicalReview,106(4),643-675.

Quaschning,S.,Pandelaere,M.,&Vermeir,I.(2014).When and why attribute sorting affects attribute weights in decision-making.JournalofBusinessResearch,67(7),1530-1536.

Reisen,N.,Hoffrage,U.,& Mast,F.W.(2008).Identifying decision strategies in a consumer choice situation.JudgmentandDecisionMaking,3(8),641-658.

Scheibehenne,B.,Greifeneder,R.,& Todd,P.M.(2010).Can there ever be too many options? A meta-analytic review of choice overload.JournalofConsumerResearch,37(3),409-425.

Schrah,G.E.,Dalal,R.S.,& Sniezek,J.A.(2006).No decision-maker is an Island:Integrating expert advice with information acquisition.JournalofBehavioralDecisionMaking,19(1),43-60.

Schultz,U.,& Vandenbosch,B.(1998).Information overload in a groupware environment:Now you see it,now you don’t.JournalofOrganizationalComputingandElectronicCommerce,8(2),127-148.

Schwartz,B.(2004).The paradox of choice.New York,NY:Ecco.

Schroder,H.M.,Driver,M.J.,& Streufert,S.(1967).Human information processing.New York:Holt,Rinehart & Winston.

Shafir,E.(1993).Choosing versus rejecting:Why some options are both better and worse than others.Memory&Cognition,21(4),546-556.

Simon,H.A.(1991).Bounded rationality and organizational learning.OrganizationScience,2(1),125-134.

Simon,H.A.(2013).Administrative behavior:Simon and Schuster.

Simonson,I.(1989).Choice based on reasons:The case of attraction and compromise effects.JournalofConsumerResearch,16(2),158-174.

Sloman,S.A.(1996).The empirical case for two systems of reasoning.PsychologicalBulletin,119(1),3-22.

Sniezek,J.A.,& Buckley,T.(1995).Cueing and cognitive conflict in judge-advisor decision making.OrganizationalBehaviorandHumanDecisionProcesses,62(2),159-174.

Stanovich,K.E.,& West,R.F.(2000).Individual differences in reasoning:Implications for the rationality debate?BehavioralandBrainSciences,23(5),645-665.

Su,Y.,Rao,L.L.,Li,X.,Wang,Y.,& Li,S.(2012).From quality to quantity:The role of common features in consumer preference.JournalofEconomicPsychology,33(6),1043-1058.

Su,Y.,Rao,L.L.,Sun,H.Y.,Du,X.L.,Li,X.,& Li,S.(2013).Is making a risky choice based on a weighting and adding process? An eye-tracking investigation.JournalofExperimentalPsychology:Learning,Memory,andCognition,39(6),1765-1780.

Suk,K.,& Yoon,S.O.(2012).The moderating role of decision task goals in attribute weight convergence.OrganizationalBehaviorandHumanDecisionProcesses,118(1),37-45.

Sun,H.Y.,Rao,L.L.,Zhou,K.,& Li,S.(2014).Formulating an emergency plan based on expectation-maximization is one thing,but applying it to a single case is another.JournalofRiskResearch,17(7),785-814.

Sütterlin,B.,Brunner,T.A.,& Opwis,K.(2008).Eye-tracking the cancellation and focus model for preference judgments.JournalofExperimentalSocialPsychology,44(3),904-911.

Svenson,O.(1979).Process descriptions of decision making.OrganizationalBehaviorandHumanDecisionPerformance,23(1),86-112.

Szrek,H.(2017).How the number of options and perceived variety influence choice satisfaction:An experiment with prescription drug plans.JudgmentandDecisionMaking,12(1),42-59.

Todd,P.,& Benbasat,I.(1992).The use of information in decision making:An experimental investigation of the impact of computer-based decision aids.MisQuarterly,373-393.

Trueblood,J.S.,Brown,S.D.,& Heathcote,A.(2014).The multiattribute linear ballistic accumulator model of context effects in multialternative choice.PsychologicalReview,121(2),3581-3586.

Tversky,A.(1972).Elimination by aspects:A theory of choice.PsychologicalReview,79(4),281-299.

Tversky,A.,& Kahneman,D.(1981).The framing of decisions and the psychology of choice.Science,211(4481),453-458.

Van Ittersum,K.,Pennings,J.M.,Wansink,B.,& Van Trijp,H.C.(2007).The validity of attribute-importance measurement:A review.JournalofBusinessResearch,60(11),1177-1190.

Wallin,A.,Paradis,C.,& Katsikopoulos,K.V.(2016).Evaluative polarity words in risky choice framing.JournalofPragmatics,106,20-38.

Wang,T.C.,& Lee,H.D.(2009).Developing a fuzzy TOPSIS approach based on subjective weights and objective weights.ExpertSystemswithApplications,36(5),8980-8985.

Wang,X.T.(Xiao-Tain) (2002).Risk as reproductive variance.EvolutionandHumanBehavior,23(1),35-57.

Wei,L.,Qin,T.,Yan,Y.,Hou,J.,& Yuan,Z.(2016,May).Competitive ability evaluation for generation enterprises based on combinational weight and improved TOPSIS.InControlandDecisionConference(CCDC),2016Chinese(pp.6497-6501).IEEE.

Wilkie,W.L.,& Pessemier,E.A.(1973).Issues in marketing’s use of multi-attribute attitude models.JournalofMarketingResearch,428-441.

Zavadskas,E.K.,& Podvezko,V.(2016).Integrated determination of objective criteria weights in MCDM.InternationalJournalofInformationTechnology&DecisionMaking,15(02),267-283.

Zhou,L.,Zhang,Y.Y.,Wang,Z.J.,Rao,L.L.,Wang,W.,Li,S.,Li,X.,&Liang,Z.Y.(2016).A scanpath analysis of the risky decision-making process.JournalofBehavioralDecisionMaking,29,169-182.

DecisionMakingintheEnvironmentofInternetMassInformation:ChallengeandResponsePattern

HUANGYuan-na1,2WEIZi-han1,2SHENSi-chu1,2WANGXiao-tian3GELie-zhong4HEGui-bing5LIShu1,2

(1.CAS Key Laboratory of Behavioral Science, Institute of Psychology, Beijing 100101, China;2.Department of Psychology, University of Chinese Academy of Sciences, Beijing 100049, China; 3.University of South Dakota, SD 57069, the United States；4.Center for Psychological Science, Zhejiang University, Hangzhou 310028,China；5.Department of Psychology and Behavioral Sciences, Zhejiang University, Hangzhou 310028, China)

The Internet has carried the world into an era of information explosion. The gap between fixed brain capacity and booming Internet information raises an unprecedented challenge to human judgment and decision-making. This trend impacts everyone, however,there is no ready solution to this challenge. Thus, we attempt to structure an “in-brain and extra-brain” bionic model to deal with the extensive amount of Internet information.By simulating the alternating ecological patterns of “disorderly individual actions” and “orderly group actions” that animals, such as fish, birds, and insects, exhibit, this research intends to study human decision making in the context of Internet massive information. We examined how people utilize the two brains (brain and the Internet) and three systems (heuristic, analysis, and network systems) to make ecologically rational decisions, adapt to information overload, and dispose information garbage, and how they make such decisions with the limited cognitive capacity. The present research aims to deepen our understanding of decision-making mechanisms and provide systematic scientific analysis and theoretical support for making adaptive and effective decisions in the context of Internet mass information.

Internet mass information,bionic response pattern,in-brain decision-making,extra-brain decision-making,eye-tracking

* 中国科学院行为科学重点实验室自主研究课题(Y5CX052003)项目。

** 通信作者：王晓田，男，心理学博士，教授，博士生导师，e-mail:XT.Wang@usd.edu；葛列众，男，心理学博士，教授，博士生导师，e-mail:topglzh@163.com；何贵兵，男，心理学博士，教授，博士生导师，e-mail:gbhe@zju.edu.cn；李纾，男，心理学博士，研究员，博士生导师，e-mail:lishu@psych.ac.cn。

B849

：A

：1006-6020(2017)-03-0195-15